- 博客(19)
- 收藏
- 关注
RSS订阅原创 yolov1-v3原理解析
本文系统梳理了YOLO系列目标检测算法（v1-v3）的核心技术演进。YOLOv1首创单阶段检测框架，将目标检测转化为回归问题，实现45fps实时检测但小目标识别效果欠佳；YOLOv2引入DarkNet-19骨干网络、锚框机制和passthrough层，通过多尺度训练显著提升召回率；YOLOv3采用更深的DarkNet-53网络，结合FPN特征金字塔实现三尺度预测，有效解决小目标检测难题。三版本在保持实时性的基础上，通过网络结构优化、多尺度特征融合等技术迭代，逐步提升了检测精度和适应性，为后续目标检测算法发展
2025-08-06 16:32:33
374
原创 yolo目标检测基础知识
本文系统介绍了目标检测相关概念与技术要点。首先阐述了目标检测的核心任务（识别物体类别和位置），并对比了其与图像分类、分割的区别。详细解析了YOLO算法原理，包括单阶段检测特点、数据标注流程、评价指标（IoU、mAP等）及NMS处理机制。同时介绍了目标检测中的关键性能指标（FPS、FLOPS）和YOLO的三层网络结构（Backbone、Neck、Detection head）。通过对比单阶段和两阶段检测器的差异，全面呈现了目标检测技术体系的核心要素。
2025-07-31 19:20:52
688
原创 面试问题收集——卷积神经网络
摘要：本文介绍了卷积神经网络的基础知识，包括卷积操作原理、感受野计算、各层功能（卷积层、池化层、全连接层）的区别。重点分析了分组卷积、批量归一化等技术，并概述了LeNet、AlexNet等经典网络的发展历程。文章还解答了BN的作用、参数意义及放置位置，并指出分类任务中全连接层可用全局平均池化替代。内容涵盖卷积网络的核心概念和关键技术演变。（149字）
2025-07-28 19:50:53
704
原创 卷积神经网络（CNN）原理
本文介绍了卷积神经网络(CNN)的基本原理和结构。CNN由卷积层、激活函数、池化层和全连接层组成，具有局部连接、权重共享和池化三大特性。文章详细讲解了卷积层的工作机制、超参数设置和特征图尺寸计算，以及池化层的作用和类型（最大池化和平均池化）。最后以LeNet为例，给出了一个简单CNN的实现代码，展示了网络各层的参数设置和输出形状。CNN通过这种层级结构能够有效提取图像特征，是计算机视觉领域的重要模型。
2025-07-21 19:56:53
735
原创 全连接神经网络、不同激活函数和梯度下降法的区别、神经网络批量标准化
机器学习精髓：首先由前向传播计算出预测值，在由预测值经过梯度下降来调整模型参数，从而降低损失函数的误差
2025-07-19 17:01:01
684
原创 pytorch基本组件的使用以及神经网络完整训练流程介绍
本篇文章是为后续更进一步学习经典神经网络，以及更先进的技术筑基，一定要牢牢掌握，年薪百万不是梦！！
2025-06-06 23:43:59
781
原创 pytorch基础操作
此篇主要涉及pytorch的入门内容，主要是张量的基础操作以及使用pytorch进行反向传播，最后还简要介绍了pytorch的一系列常用的基础组件，以便对后续更深层次的学习任务奠定基础。
2025-06-03 15:39:04
1002
原创 逻辑回归理论以及代码复现
在上一系列文章我们讲了线性回归的相关知识，回归和分类是机器学习中两种核心的任务类型，它们的根本区别在于目标变量的性质。本系列文章主要来讲讲如何应用逻辑回归来对数据进行分类。
2025-05-02 21:38:32
702
原创 模型评估方法
这一篇文章我们基于随机梯度下降分类器（一种线性分类器）来讲讲如何对模型准确度进行评估，涉及到交叉验证，混淆矩阵以及ROC曲线等内容。
2025-05-02 17:22:22
2189
原创 线性回归（二）：三种梯度下降法对比以及如何通过正则化解决过拟合问题
上一篇文章讲了线性回归的基础理论以及sklearn库底层代码实现，这一篇文章我们来讲讲对于不同的梯度下降法，模型参数的更新效果有什么不同，这里列出了批量梯度下降法，随机梯度下降法和小批量梯度下降法三种，并且在文章的最后，还介绍了多项式回归以及如何通过岭回归对数据进行正则化从而降低模型过拟合风险。
2025-05-01 16:08:54
937
原创 线性回归（一）：线性回归理论以及代码复现
本文主要是讲了线性回归的一些简单的必备的理论，以及sklearn中线性回归库的底层代码复现，水平有限，不喜勿喷！
2025-04-28 15:47:24
2002
原创 02-数组和链表
力扣刷题知识笔记和思路记录刷题指南参考：CyC2018/CS-Notes: :books: 技术面试必备基础知识、Leetcode、计算机操作系统、计算机网络、系统设计知识点参考：Hello 算法。
2025-03-17 18:32:20
870
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人